论文下载:Densely Connected Convolutional Networks
Abstract
最近的工作表明,如果卷积网络包含靠近输入的层和靠近输出的层之间的较短连接,则卷积网络可以更深,更准确,更有效。 文章介绍了Dense Convolutional Network(DenseNet),它以前馈的方式将每一层连接到每一层。而具有L层的传统卷积网络具有L个连接 - 每层与其后续层之间的连接 - DenseNet具有个直接连接。 对于每层,所有前面的层的feature-maps用作输入,其自身的feature-maps用作所有后续层的输入。
DenseNets有几个引人注目的优点:
- 可以缓解vanishing-gradient问题
- 加强了feature的传递
- 更有效地利用了feature
- 一定程度上减少了参数数量
1. Introduction
卷积神经网络(CNN)已成为visual object recognition的主要机器学习方法。最初的LeNet5由5层组成,VGG以19为特色,而只有Highway Networks[34]和Residual Networks(ResNets)[11]超过了100层barrier。
随着CNN越来越深入,出现了一个新的研究问题:随着有关输入或梯度的信息通过多层,它可能在到达网络结束(或开始)时消失并“wash out”。 许多最近的出版物解决了这个或相关的问 ResNets和Highway Networks通过identity connections将信号从一层传递到下一层。随机深度(stochastic depth)通过在训练期间随机丢弃层来缩短ResNets,以获得更好的信息和梯度流。 FractalNets重复组合了几个具有不同数量的卷积块的并行层序列,以获得较大的nominal depth,同时在网络中保持许多短路径。 虽然这些不同的方法在网络拓扑和训练过程中有所不同,但它们都具有一个关键特征:they create short paths from early layers to later layers。
文章提出了一种体系结构,为一种简单的连接模式:为了确保网络中各层之间的最大信息流,将所有层(与feature-maps大小匹配)直接相互连接。为了保持前馈性质,每个层从所有前面的层获得额外输入,并将其自己的feature-maps传递给所有后续层。
图1示意性地说明了这种布局。
至关重要的是,与ResNets相比,DenseNet从未在特征传递到一层之前通过求和(summation)来组合特征;相反,DenseNet通过连接(concatenating)它们来组合特征。因此,第层具有l个输入,包括所有先前卷积块的feature-maps。它自己的feature-maps传递给所有L-l后续层。这在L层网络中引入
个连接,而不是像在传统架构中那样仅仅有L个。由于其密集的连接模式,文章的方法称为Dense Convolutional Network(DenseNet)。
3. DenseNets
考虑通过卷积网络传递的单个图像x0。 该网络包括L层,每层实现非线性变换,其中l索引层。
可以是诸如Batch Normalization(BN),rectified linear units(ReLU),Pooling或Convolution(Conv)等操作的复合函数。将第
层的输出表示为
。
ResNets. 传统的卷积前馈网络将第一层的输出连接到第层,从而产生以下layer transition:
。ResNets add a skip-connection that bypasses the non-linear transformations with an identity function:
ResNets的一个优点是梯度可以直接通过identity function从后面的层流到更早的层。 然而,的identity function和输出通过求和来组合,这可能阻碍网络中的信息流。
Dense connectivity. 为了进一步改善层之间的信息流,提出了一种不同的连接模式:引入了从任何层到所有后续层的直接连接。因此,第层接收所有前面层的feature-maps,
作为输入:
其中是指层0,...,l-1中产生的feature-maps的连接。 由于其密集连接,我们将此网络架构称为密集卷积网络(DenseNet)。 为了便于实现,在式(2)中连接
的多个输入成单张量。